news 2026/7/2 11:27:58

收藏！小白程序员轻松入门大模型：Qwen3.5 安装与使用全攻略

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
收藏！小白程序员轻松入门大模型：Qwen3.5 安装与使用全攻略

本文介绍了阿里巴巴通义实验室发布的最新大模型 Qwen3.5，该模型在推理、编程、智能体能力与多模态理解等基准测试中表现优异。文章详细阐述了 Qwen3.5-27B 模型的本地部署过程，包括安装 vLLM 计算引擎、下载模型、启动 API 服务等步骤，并提供了使用 curl、Python OpenAI 和 LangChain 等方式连接测试的实例。此外，还展示了模型在图片理解方面的能力。通过本文，读者可以快速掌握 Qwen3.5 的安装和使用方法，为提升生产力打下坚实基础。

一、Qwen3.5 简介

Qwen3.5系列是阿里巴巴通义实验室于2026年2月发布的最新迭代大模型，属于原生视觉-语言模型，在推理、编程、智能体能力与多模态理解等全方位基准评估中表现优异，有效助力开发者与企业显著提升生产力。

下面是Qwen3不同尺寸模型具体的基准测试结果，可以发现轻量级的Qwen3.5-27B在多项权威基准测试中展现出超越部分更大规模模型的卓越性能，整体表现比肩GPT-5-mini 2025-08-27模型。

1. 自然语言：

2. 视觉语言

下面主要借助vLLM计算引擎，本地私有化部署Qwen3.5-27B模型，其中核心依赖版本如下：

vllm==0.16.1rc1.dev37+g4fec53cfc torch==2.10.0+cu129 torchvision==0.25.0+cu129 transformers==4.57.6 modelscope==1.34.0

二、Qwen3.5-27B 本地部署

2.1 安装 vLLM

uv pip install vllm --torch-backend=auto --extra-index-url https://wheels.vllm.ai/nightly

安装结束后可验证是否安装正常：

vllm -v

2.2 下载模型：

这里使用modelscope快速下载到本地：

modelscope download --model="Qwen/Qwen3.5-27B" --local_dir Qwen3.5-27B

2.3 启动API服务：

export CUDA_VISIBLE_DEVICES=0,1 vllm serve "Qwen3.5-27B" / --host 0.0.0.0 / --port 8000 / --dtype bfloat16 / --tensor-parallel-size 2 / --cpu-offload-gb 0 / --gpu-memory-utilization 0.8 / --max-model-len 32768 / --api-key token-abc123 / --enable-prefix-caching / --reasoning-parser qwen3 / --enable-auto-tool-choice / --tool-call-parser qwen3_coder / --trust-remote-code

关键参数说明：

参数说明
export CUDA_VISIBLE_DEVICES=0,1指定使用的GPU设备
dtype数据类型，其中bfloat16，16位浮点数，适合NVIDIA A100等设备
tensor-parallel-sizeTensor并行的数量，当多GPU分布式推理时使用，建议和GPU的数量一致
cpu-offload-gb允许将部分模型权重或中间结果卸载到CPU的内存中，单位为GB。，模拟GPU内存扩展，如果部署的模型大于了显存大小可以设置该参数，但是推理速度会大大下降
gpu-memory-utilization设置GPU内存利用率的上限
max-model-len允许模型最大处理的Token数，该参数越大占用显存越大
api-keyAPI认证密钥
enable-prefix-caching启用前缀缓存减少重复计算
reasoning-parser指定推理解析器
enable-auto-tool-choice启用自动工具选择
tool-call-parser工具调用解析器

显存使用情况：

如果启动显存不足，可适当调整gpu-memory-utilization和max-model-len参数，或通过cpu-offload-gb将部分模型权重卸载到内存中。

启动后，可通过/v1/models接口可查看模型列表：

curl http://127.0.0.1:8000/v1/models -H "Authorization: Bearer token-abc123"

三、Qwen3.5-27B 模型使用测试

3.1 curl 连接测试

测试API交互：

curl http://127.0.0.1:8000/v1/chat/completions / -H "Content-Type: application/json" / -H "Authorization: Bearer token-abc123" / -d '{ "model": "Qwen3.5-27B", "messages": [ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user",content": "你是谁，你认识小毕超吗？"} ] }'

Qwen3.5模型默认以思考模式运行，在生成最终回答前会输出由<think>/n.../</think>/n/n标记的思考内容，该过程已由计算引擎自动转换，思考内容在reasoning字段中体现。

Qwen3.5不支持类似Qwen3的软切换功能，如/think和/nothink。如果需要禁用思考，直接输出最终回答，可在请求体中添加参数：

"chat_template_kwargs": {"enable_thinking": false}

完整的请求如下所示：

curl http://127.0.0.1:8000/v1/chat/completions / -H "Content-Type: application/json" / -H "Authorization: Bearer token-abc123" / -d '{ "model": "Qwen3.5-27B", "messages": [ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "你是谁，你认识小毕超吗？"} ], "chat_template_kwargs": {"enable_thinking": false} }'

3.2 Python OpenAI 连接测试

from openai import OpenAI client = OpenAI( base_url="http://127.0.0.1:8000/v1/", api_key="token-abc123" ) chat_response = client.chat.completions.create( model="Qwen3.5-27B", messages=[ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "你是谁，你认识小毕超吗？"} ], max_tokens=1024, temperature=0.7, top_p=0.8, presence_penalty=1.5, extra_body={ "top_k": 20, "chat_template_kwargs": {"enable_thinking": False}, }, ) print("Chat response:", chat_response)

3.3 Python LangChain连接测试

import os os.environ["OPENAI_BASE_URL"] = "http://127.0.0.1:8000/v1/" os.environ["OPENAI_API_KEY"] = "token-abc123" from langchain.chat_models import init_chat_model llm = init_chat_model( f"openai:Qwen3.5-27B", temperature=0.7, extra_body={ "chat_template_kwargs": {"enable_thinking": False} } ) print("Chat response:", llm.invoke("你是谁，你认识小毕超吗？"))

3.4 Cherry Studio 连接测试

添加一个OpenAI类型提供商，配置API地址和密钥，然后点击管理增加模型：

选用该模型问答：

3.5 图片理解测试

最后

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

2、大模型学习书籍&文档

3、AI大模型最新行业报告

4、大模型项目实战&配套源码

5、大模型大厂面试真题

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

👇👇扫码免费领取全部内容👇👇

6、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

https://mp.weixin.qq.com/s/2P64VRSHoOz31E2oAT_ZpQ

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/7/2 11:27:45

计算机毕业设计之基于机器学习的软件异常检测系统的设计与实现

本系统旨在设计并实现一个基于机器学习的软件异常检测系统&#xff0c;融合了机器学习、Django和Vue等先进技术。系统主要功能包括用户登录后的代码异常检测、查看代码异常以及统计功能&#xff0c;同时管理员登录后可对用户进行管理。在技术实现上&#xff0c;系统利用机器学习…

作者头像 李华
网站建设 2026/7/2 11:25:50

从CRUD到AI：小白程序员5个月逆袭之路，收藏这份转型指南！

本文分享了一位传统CRUD工程师如何通过实战学习&#xff0c;5个月成功转型为AI应用工程师的心路历程。从最初的恐惧到好奇&#xff0c;再到深入学习和实践部署&#xff0c;作者通过图片分类模型、金融数据分析助手等项目的实战经验&#xff0c;以及利用AI工具提升效率&#xff…

作者头像 李华
网站建设 2026/7/2 11:19:29

华为UVM技术分析：把GPU显存塞进Linux核心MM---GMEM实现简析

本文基于内核mm/gmem*.c、include/linux/gmem.h、include/linux/vm_object.h源码&#xff0c;从统一虚拟地址UVA/SVM视角拆解华为GMEM子系统&#xff0c;同步对比HMM、AMD KFD、Intel Xe现有异构方案&#xff0c;面向内核与GPU驱动研发人员。 一、GMEM核心定位&#xff1a;走出…

作者头像 李华
网站建设 2026/7/2 11:17:40

CaseViewer 2.4下载安装教程（附安装包）2026最新版（CaseViewer 2.4）

文章目录前言安装前的准备CaseViewer 2.4下载CaseViewer 2.4 安装教程CaseViewer 2.4数字病理切片查看入门教程&#xff1a;从安装到使用前言 做数字病理切片查看&#xff0c;CaseViewer 2.4 是不少人常用的工具&#xff0c;放大、平移、标注这些基础操作都比较顺手。不过网上…

作者头像 李华
网站建设 2026/7/2 11:16:54

炉石佣兵战记自动化助手：告别重复操作，释放你的游戏时间

炉石佣兵战记自动化助手&#xff1a;告别重复操作&#xff0c;释放你的游戏时间 【免费下载链接】lushi_script This script is to save your time from Mercenaries mode of Hearthstone 项目地址: https://gitcode.com/gh_mirrors/lu/lushi_script 还在为炉石传说佣兵…

作者头像 李华